Python解析引數的三種方法分別是什麼？

　每種程式語言都有建立指令碼並從終端執行它們或被其他程式呼叫的功能，在執行此類指令碼時，我們經常需要傳遞指令碼所需的引數，以便在指令碼內執行各種功能，那你知道Python解析引數的方法有哪些?請看下文：

　　Python解析引數的三種方法有哪些?

　　第一種方法是使用argparse，它是一個流行的Python模組，專門用於命令列解析;另一種方法是讀取JSON檔案，我們可以在其中放置所有超引數，第三種方法也是鮮為人知的方式，也就是使用YAML檔案。

　　1、使用argparse

　　首先，我們可以建立一個檔案 train.py，在其中我們有匯入資料、在訓練資料上訓練模型並在測試集上對其進行評估的基本程式：

　　import pandas as pd

　　import numpy as np

　　from sklearn.ensemble import RandomForestRegressor

　　from sklearn.model_selection import train_test_split

　　from sklearn.preprocessing import StandardScaler

　　from sklearn.metrics import mean_squared_error, mean_absolute_error

　　from options import train_options

　　df = pd.read_csv('data\hour.csv')

　　print(df.head())

　　opt = train_options()

　　X=df.drop(['instant','dteday','atemp','casual','registered','cnt'],axis=1).values

　　y =df['cnt'].values

　　X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)

　　if opt.normalize == True:

　　scaler = StandardScaler()

　　X = scaler.fit_transform(X)

　　rf = RandomForestRegressor(n_estimators=opt.n_estimators,max_features=opt.max_features,max_depth=opt.max_depth)

　　model = rf.fit(X_train,y_train)

　　y_pred = model.predict(X_test)

　　rmse = np.sqrt(mean_squared_error(y_pred, y_test))

　　mae = mean_absolute_error(y_pred, y_test)

　　print("rmse: ",rmse)

　　print("mae: ",mae)

　　在程式碼中，我們還匯入了包含在 options.py 檔案中的 train_options 函式。後一個檔案是一個 Python 檔案，我們可以從中更改 train.py 中考慮的超引數：

　　import argparse

　　def train_options():

　　parser = argparse.ArgumentParser()

　　parser.add_argument("--normalize", default=True, type=bool, help='maximum depth')

　　parser.add_argument("--n_estimators", default=100, type=int, help='number of estimators')

　　parser.add_argument("--max_features", default=6, type=int, help='maximum of features',)

　　parser.add_argument("--max_depth", default=5, type=int,help='maximum depth')

　　opt = parser.parse_args()

　　return opt

　　2、使用JSON檔案

　　和前面一樣，我們可以保持類似的檔案結構。在這種情況下，我們將 options.py 檔案替換為 JSON 檔案。換句話說，我們想在 JSON 檔案中指定超引數的值並將它們傳遞給 train.py 檔案。與 argparse 庫相比，JSON 檔案可以是一種快速且直觀的替代方案，它利用鍵值對來儲存資料。下面我們建立一個 options.json 檔案，其中包含我們稍後需要傳遞給其他程式碼的資料。

　　{

　　"normalize":true,

　　"n_estimators":100,

　　"max_features":6,

　　"max_depth":5

　　}

　　如上所見，它與 Python 字典非常相似。但是與字典不同的是，它包含文字/字串格式的資料。此外，還有一些語法略有不同的常見資料型別。例如，布林值是 false/true，而 Python 識別 False/True。JSON 中其他可能的值是陣列，它們用方括號表示為 Python 列表。

　　3、使用YAML檔案

　　最後一種選擇是利用 YAML 的潛力。與 JSON 檔案一樣，我們將 Python 程式碼中的 YAML 檔案作為字典讀取，以訪問超引數的值。YAML 是一種人類可讀的資料表示語言，其中層次結構使用雙空格字元表示，而不是像 JSON 檔案中的括號。下面我們展示 options.yaml 檔案將包含的內容：

　　normalize: True

　　n_estimators: 100

　　max_features: 6

　　max_depth: 5

　　在 train.py 中，我們開啟 options.yaml 檔案，該檔案將始終使用 load 方法轉換為 Python 字典，這一次是從 yaml 庫中匯入的：

　　import yaml

　　f = open('options.yaml','rb')

　　parameters = yaml.load(f, Loader=yaml.FullLoader)

　　和前面一樣，我們可以使用字典所需的語法訪問超引數的值。